失火检测装置、失火检测系统以及数据解析装置
阅读说明：本技术 失火检测装置、失火检测系统以及数据解析装置 (Misfire detection device, misfire detection system, and data analysis device ) 是由 桥本洋介 片山章弘 大城裕太 杉江和纪 冈尚哉 于 2020-08-20 设计创作，主要内容包括：提供失火检测装置、失火检测系统以及数据解析装置。失火检测装置具备存储装置和执行装置,所述存储装置存储第1映射数据和第2映射数据。所述执行装置执行第1取得处理、第1算出处理、第2取得处理、第2算出处理、判定处理、计数处理以及发送处理,所述判定处理判定所述第2算出处理的算出结果与所述第1算出处理的算出结果是否匹配,所述计数处理对通过所述判定处理判定为不匹配的连续次数进行计数,所述发送处理向所述车辆的外部发送与在预定期间中通过所述计数处理计数到的连续次数中的最大次数所对应的所述第2失火变量的值有关的数据、和与在所述第2失火变量的值的算出中所使用了的所述第2输入数据有关的数据。(Provided are a misfire detection device, a misfire detection system, and a data analysis device. The misfire detection apparatus includes a storage device that stores the 1 st map data and the 2 nd map data, and an execution device. The execution device executes 1 st acquisition processing, 1 st calculation processing, 2 nd acquisition processing, 2 nd calculation processing, determination processing, counting processing, and transmission processing, the determination processing determining whether or not a calculation result of the 2 nd calculation processing matches a calculation result of the 1 st calculation processing, the counting processing counting a number of consecutive times that are determined to be unmatched by the determination processing, the transmission processing transmitting data relating to a value of the 2 nd misfire variable corresponding to a maximum number of consecutive times counted by the counting processing for a predetermined period and data relating to the 2 nd input data used in calculation of the value of the 2 nd misfire variable to the outside of the vehicle.)
技术领域
本发明涉及失火检测装置、失火检测系统以及数据解析装置。
背景技术
例如日本特开平4－91348提出了具备神经网络的装置，该神经网络将转速的变化量即旋转变动量作为输入而输出表示在内燃机的多个气缸的各气缸中是否发生了失火的值。
发明内容
然而，一般在提高通过机器学习进行了学习后的已学习模型的可靠性这一点上，需要使用各种各样的状况下的训练数据来进行学习。但是，在搭载于车辆之前，关于在实际搭载于车辆的情况下可能会发生的各种各样的状况，未必能得到足够的训练数据。并且，在未得到足够的训练数据的情况下，难以验证在上述神经网络搭载于车辆时在各种各样的状况下是否输出正确的值。
本发明提供用于解决上述技术问题的失火检测装置、失火检测系统以及数据解析装置。
本发明的第1技术方案涉及的失火检测装置具备存储装置和执行装置。所述存储装置存储第1映射数据和第2映射数据，所述第1映射数据是规定第1映射的映射数据，所述第1映射将第1输入数据作为输入并输出第1失火变量的值，所述第1输入数据是基于搭载于车辆的内燃机的曲轴角传感器的检测值的数据，所述第1失火变量是与所述内燃机有无失火有关的变量，所述第2映射数据是规定第2映射、并且包含通过机器学习进行了学习的数据的映射数据，所述第2映射将第2输入数据作为输入并输出第2失火变量的值，所述第2输入数据是基于所述曲轴角传感器的检测值的数据，所述第2失火变量是与所述内燃机有无失火有关的变量，所述执行装置执行第1取得处理、第1算出处理、第2取得处理、第2算出处理、判定处理、计数处理以及发送处理，所述第1取得处理取得所述第1输入数据，所述第1算出处理将通过所述第1取得处理取得的所述第1输入数据作为所述第1映射的输入来算出所述第1失火变量的值，所述第2取得处理取得所述第2输入数据，所述第2算出处理将通过所述第2取得处理取得的所述第2输入数据作为所述第2映射的输入来算出所述第2失火变量的值，所述判定处理判定所述第2算出处理的算出结果和所述第1算出处理的算出结果是否匹配，所述计数处理对通过所述判定处理判定为不匹配的连续次数进行计数，所述发送处理向所述车辆的外部发送与在预定期间中通过所述计数处理计数到的连续次数中的最大次数所对应的所述第2失火变量的值有关的数据、和与在所述第2失火变量的值的算出中所使用了的所述第2输入数据有关的数据。
根据上述第1技术方案，向车辆的外部发送与判定为第2算出处理的算出结果和第1算出处理的算出结果不匹配时的第2失火变量的值有关的数据、和与为了算出所述第2失火变量的值而使用了的第2输入数据有关的数据。该发送处理由搭载于车辆的失火检测装置来执行，因此，能够发送各种各样的状况下的数据。因此，根据上述第1技术方案，在车辆的外部，能够验证各种各样的状况下的第2失火变量的值是否正确。
然而，例如当判定为第2算出处理的算出结果与第1算出处理的算出结果不匹配时，对于其为单次的情况和其为连续的情况，连续的情况下的在第1映射和第2映射的可靠性存在差异的概率高。因此，相比于与单次地判定为不匹配的情况下的那时的第2输入数据有关的数据，与连续地判定为不匹配的情况下的那时的第2输入数据有关的数据包含在验证第2映射的可靠性上更有益的信息的可能性高。于是，根据上述第1技术方案，发送与判定为不匹配的连续次数成为最大次数时的第2失火变量的值有关的数据、和与在该值的算出中所使用了的第2输入数据有关的数据。由此，相比于发送与在预定期间内判定为不匹配时所对应的第2输入数据有关的全部数据的情况，能够在减少发送数据量的同时，发送有益的信息。
在上述第1技术方案中，所述发送处理也可以包括如下处理：除了与所述最大次数所对应的所述第2失火变量的值中的预定个数的值有关的数据、和与在所述值各自的算出中所使用了的所述第2输入数据有关的数据之外，还发送与所述最大次数有关的数据。
根据上述第1技术方案，即使是在与最大次数对应的第2失火变量的值超过预定个数的情况下，也能够通过将判定为不匹配时的第2失火变量的值中的被作为发送对象的值限制为预定个数，减少发送数据量。并且，通过进一步发送与最大次数有关的数据，在与最大次数对应的第2失火变量的值超过预定个数的情况下，相比于不发送与最大次数有关的数据的情况，能够提供确定所发生的状况的更详细的信息。
在上述第1技术方案中，也可以为，所述第2输入数据是旋转波形变量，所述旋转波形变量是包含与瞬时速度互不相同的角度间隔中的值彼此的不同有关的信息的变量，所述角度间隔是比所述内燃机的压缩上止点的出现间隔小的间隔，所述瞬时速度是所述角度间隔中的所述内燃机的曲轴的转速，与在所述第2失火变量的值的算出中所使用了的所述第2输入数据有关的数据是瞬时速度变量，所述瞬时速度变量是表示包含如下信息的所述角度间隔各自中的所述瞬时速度的变量，该信息是与在通过所述判定处理判定为不匹配时的所述第2失火变量的值的算出中所使用了的所述旋转波形变量所表示的所述瞬时速度彼此的不同有关的信息，成为所述发送处理的发送对象的数据，包含在时间序列上在下述角度间隔之前或者之后产生的多个所述角度间隔各自中的所述瞬时速度变量，该角度间隔是指包含与在所述算出中所使用了的所述旋转波形变量所表示的所述瞬时速度彼此的不同有关的信息的所述角度间隔。
根据上述第1技术方案，通过发送处理不仅发送与在第2失火变量的值的算出中所使用了的旋转波形变量对应的瞬时速度变量，还发送时间序列上的所述瞬时速度变量前后的瞬时速度变量。由此，与仅发送在第2失火变量的值的算出中所使用了的旋转波形变量所对应的瞬时速度变量的情况相比，能够向车辆的外部提供关于曲轴的旋转行为的更详细的信息。
在上述第1技术方案中，所述角度间隔也可以为第2间隔，所述旋转波形变量也可以是作为如下所述的变量而构成的时间序列数据，该变量是通过比所述第2间隔大的第1间隔中所包含的连续的多个所述第2间隔各自中的所述瞬时速度变量自身来表示所述瞬时速度变量彼此之差的变量，通过所述发送处理发送的所述数据，除了通过所述判定处理判定为不匹配时的所述第1间隔所包含的所述多个所述第2间隔各自中的所述瞬时速度变量之外，也可以包含与该第1间隔相邻且连续的多个所述第2间隔各自中的所述瞬时速度变量。
根据上述第1技术方案，通过发送处理发送与第1间隔和其相邻的间隔这两方有关的连续的多个第2间隔各自的瞬时速度变量，因此，与仅发送间歇的间隔的瞬时速度变量的情况相比，能够提供关于曲轴的旋转行为的更详细的信息。
在上述第1技术方案中，通过所述发送处理发送的所述数据，除了与在通过所述判定处理判定为不匹配时的所述第2失火变量的值的算出中使用了的所述旋转波形变量有关的所述瞬时速度变量之外，也可以包含通过所述判定处理判定为匹配时的所述瞬时速度变量。
根据上述第1技术方案，通过将判定为匹配时的瞬时速度变量也作为发送对象，与仅发送判定为不匹配时的瞬时速度变量的情况相比，容易判明在曲轴的旋转行为是何种行为的情况下会变为不匹配。
在上述第1技术方案中，通过所述发送处理发送的所述数据，也可以包含通过所述判定处理判定为不匹配时的所述瞬时速度变量、和从通过所述判定处理判定为不匹配的状态转变为了判定为匹配的状态时的该判定为匹配的状态下的所述瞬时速度变量。
根据上述第1技术方案，将从通过判定处理判定为不匹配的状态转变为了判定为匹配的状态时的该判定为匹配的状态下的瞬时速度变量作为发送对象。由此，能够提供从不匹配的状态恢复为匹配的状态的前后的曲轴的旋转行为的信息，因此，与仅发送判定为不匹配时的瞬时速度变量的情况相比，容易判明在曲轴的旋转行为是何种行为的情况会变为不匹配。
在上述第1技术方案中，所述执行装置也可以将所述车辆的行驶结束时中的在时间序列上相互相邻的一对结束时的时间间隔作为所述预定期间，在所述车辆的行驶结束时执行所述发送处理。
根据上述第1技术方案，通过在车辆的行驶结束时执行发送处理，与在车辆行驶时执行发送处理的情况相比，能够减轻车辆行驶时的失火检测装置的运算负荷。
本发明的第2技术方案涉及的失火检测系统具备所述存储装置、第1执行装置以及车辆的外部的第2执行装置。所述存储装置存储第1映射数据和第2映射数据，所述第1映射数据是规定第1映射的映射数据，第1映射将第1输入数据作为输入并输出第1失火变量的值，所述第1输入数据是基于搭载于车辆的内燃机的曲轴角传感器的检测值的数据，所述第1失火变量是与所述内燃机有无失火有关的变量，所述第2映射数据是规定第2映射、并且包含通过机器学习进行了学习的数据的映射数据，所述第2映射将第2输入数据作为输入并输出第2失火变量的值，所述第2输入数据是基于所述曲轴角传感器的检测值的数据，所述第2失火变量是与所述内燃机有无失火有关的变量，所述第1执行装置搭载于车辆，所述第1执行装置是搭载于所述车辆的第1执行装置，执行第1取得处理、第1算出处理、第2取得处理、第2算出处理、判定处理、计数处理以及发送处理，所述第1取得处理取得所述第1输入数据，所述第1算出处理将通过所述第1取得处理取得的所述第1输入数据作为所述第1映射的输入来算出所述第1失火变量的值，所述第2取得处理取得所述第2输入数据，所述第2算出处理将通过所述第2取得处理取得的所述第2输入数据作为所述第2映射的输入来算出所述第2失火变量的值，所述判定处理判定所述第2算出处理的算出结果和所述第1算出处理的算出结果是否匹配，所述计数处理对通过所述判定处理判定为不匹配的连续次数进行计数，所述发送处理向所述车辆的外部发送与在预定期间中通过所述计数处理计数到的连续次数中的最大次数所对应的所述第2失火变量的值有关的数据、和与在该第2失火变量的值的算出中所使用了的所述第2输入数据有关的数据，所述车辆的外部的第2执行装置执行接收处理、再学习数据生成处理以及再学习处理，所述接收处理接收通过所述发送处理发送的数据，所述再学习数据生成处理基于通过所述接收处理接收到的数据，生成作为使所述第2映射进行再学习的数据的再学习数据，所述再学习处理基于通过所述再学习数据生成处理生成的再学习数据，使所述第2映射数据进行再学习。
根据上述第2技术方案，能够基于判定为不匹配时的向第2映射的输入数据，使第2映射数据进行再学习，因此，能够使第2映射成为在车辆的各种各样的状况下输出高精度的值的映射。此外，第2执行装置为“车辆的外部”的装置意味着第2执行装置不是车载装置。
在上述第2技术方案中，所述再学习数据生成处理也可以包括使显示装置显示通过所述接收处理接收到的数据的显示处理、取入所述第2映射的输出值是否存在错误的信息的妥当性判定结果取入处理、以及基于通过所述妥当性判定结果取入处理取入的信息来生成用于更新所述第2映射数据的数据的处理。
根据上述第2技术方案，通过在显示装置显示由发送处理发送的向第2映射的输入数据等的信息，能够由与第1映射以及第2映射不同的、能根据第2输入数据的信息等来判定有无失火的主体来研究第2映射的输出的妥当性。并且，通过妥当性判定结果取入处理取入所述主体的判定结果，从而能够确定是否应该将成为了显示对象的输入数据作为用于更新第2映射数据的再学习数据。
在上述第2技术方案中，所述存储装置也可以包括搭载于所述车辆的第1存储装置和所述车辆的外部的第2存储装置，所述第2存储装置构成为存储第3映射数据，所述第3映射数据是规定第3映射的映射数据，所述第3映射将第3输入数据作为输入并输出第3失火变量的值，所述第3输入数据是基于所述曲轴角传感器的检测值的数据，所述第3失火变量是与所述内燃机有无失火有关的变量，所述再学习数据生成处理包括将通过所述接收处理接收到的数据输入到所述第3映射来算出所述第3失火变量的值的第3算出处理、和基于所述第3算出处理的算出结果和所述第2算出处理的算出结果有无匹配性来生成用于更新所述第2映射数据的数据的处理。
根据上述第2技术方案，通过判定第3输出值与第2输出值有无匹配性，能够验证第2输出值的妥当性，进而能够判定是否应该作为再学习用的数据。此外，第2存储装置为“车辆的外部”的装置意味着第2存储装置不是车载装置。
本发明的第3技术方案涉及的数据解析装置具备车辆外部的执行装置。所述执行装置执行接收处理、再学习数据生成处理以及再学习处理，所述接收处理接收从车辆发送的与在预定期间中计数到的连续次数中的最大次数所对应的失火变量的值有关的数据、和与在失火变量的值的算出中所使用了的基于曲轴角传感器的检测值的输入数据有关的数据，所使再学习数据生成处理基于通过所述接收处理接收到的数据来生成作为使映射进行再学习的数据的再学习数据，所述再学习处理基于通过所述再学习数据生成处理生成的再学习数据来使所述映射数据进行再学习，所述映射是规定为将基于曲轴角传感器的检测值的输入数据作为输入并输出作为与所述内燃机有无失火有关的变量的失火变量的值的映射。
附图说明
下文将参照附图说明本发明示例性实施例的特征、优点以及技术和产业的意义，其中相同的标号表示同样的要素，并且，其中：
图1是表示第1实施方式涉及的学习控制系统的构成的图。
图2是表示第1实施方式涉及的控制装置执行的处理的步骤的流程图。
图3是表示第1实施方式涉及的控制装置执行的处理的步骤的流程图。
图4是表示第1实施方式涉及的系统执行的处理的步骤的流程图。
图5是表示第1实施方式涉及的发送数据的图。
图6是表示第1实施方式涉及的最大值C0的推移的时序图。
图7是表示第2实施方式涉及的学习控制系统的构成的图。
图8是表示第2实施方式涉及的控制装置执行的处理的步骤的流程图。
图9是表示第2实施方式涉及的控制装置执行的处理的步骤的流程图。
图10是表示第2实施方式涉及的系统执行的处理的步骤的流程图。
具体实施方式
第1实施方式
以下，参照附图对失火检测系统涉及的第1实施方式进行说明。在图1所示的车辆VC1所搭载的内燃机10中，在进气通路12设置有节气门14。从进气通路12吸入的空气通过进气门16开阀而流入到各气缸#1～#4的燃烧室18。通过燃料喷射阀20向燃烧室18喷射燃料。在燃烧室18中，空气和燃料的混合气通过点火装置22的火花放电而被供于燃烧，通过燃烧产生的能量被作为曲轴24的旋转能量取出。供于燃烧的混合气伴随着排气门26的开阀，被作为排气(废气)排出到排气通路28。在排气通路28设置有具有氧吸藏能力的催化剂30。
在内燃机10的曲轴24，能够经由转矩转换器50而连结变速装置54的输入轴56。转矩转换器50具备锁止离合器52，锁止离合器52通过成为缔结状态而连结曲轴24和输入轴56。在变速装置54的输出轴58，以机械方式连结有驱动轮60。
在曲轴24结合有曲轴转子40，该曲轴转子40设置有分别表示曲轴24的多个旋转角度的齿部42。此外，在本实施方式中，例示了34个齿部42。，在曲轴转子40基本上以10°CA间隔设置有齿部42，但设置有一处缺齿部44，该缺齿部44是相邻的齿部42间的间隔成为30°CA的部位。这是为了表示成为曲轴24的基准的旋转角度。
控制装置70为了将内燃机10作为控制对象、控制作为其控制量的转矩、排气成分比率等，对节气门14、燃料喷射阀20、点火装置22等的内燃机10的操作部进行操作。另外，控制装置70为了将转矩转换器50作为控制对象、控制作为其控制量的锁止离合器52的接合状态，对锁止离合器52进行操作。另外，控制装置70为了将变速装置54作为控制对象、控制作为其控制量的传动比(gear ratio)，对变速装置54进行操作。此外，在图1中记载了节气门14、燃料喷射阀20、点火装置22、锁止离合器52以及变速装置54各自的操作信号MS1～MS5。
控制装置70在控制量的控制时，参照曲轴角传感器80的输出信号Scr和/或由空气流量计82检测的吸入空气量Ga，所述曲轴角传感器80输出除了缺齿部44之外的、按每10°CA而设置的齿部42之间的各角度间隔的脉冲。另外，控制装置70参照由水温传感器84检测的内燃机10的冷却水的温度即水温THW、由外部气体温度传感器86检测的外部气体温度Ta、由挡位传感器88检测的变速装置54的挡位Vsft。
控制装置70具备CPU72、ROM74、作为能够电重写的非易失性存储器的存储装置76、通信机77以及外围电路78，那些部件能够通过本地网络79进行通信。此外，外围电路78包括生成时钟信号的电路、电源电路、复位电路等，所述时钟信号是对内部的动作进行规定的信号。另外，在存储装置76存储有实用映射数据76a以及评价映射数据76b。在此，实用映射数据76a是为了对内燃机10的失火进行监视而实际利用的数据。与此相对，评价映射数据76b是成为其可靠性的评价对象的数据，不是为了对内燃机10的失火进行监视而利用的数据。此外，评价映射数据76b在进行了某种程度的基于机器学习的学习的状态下安装于控制装置70。
控制装置70通过CPU72执行存储于ROM74的程序，执行上述控制量的控制。详细而言，在ROM74存储有失火检测程序74a、再学习子程序74b。在此，再学习子程序74b是用于执行评价映射数据76b的再学习的程序。
上述通信机77是用于经由车辆VC1外部的网络110而与数据解析中心100进行通信的设备。数据解析中心100对从多个车辆VC1、VC2、……发送的数据进行解析。数据解析中心100具备CPU102、ROM104、存储装置106、通信机107以及外围电路108，那些部件是设为能够通过本地网络109进行通信。在ROM104存储有再学习主程序104a，该再学习主程序104a是对基于从多个车辆VC1、VC2、……发送的数据来生成用于使评价映射数据76b进行再学习的数据的处理进行规定的程序。另外，在存储装置106中存储有再学习用数据106a，该再学习用数据106a是从多个车辆VC1、VC2、……发送来的、用于使由评价映射数据76b规定的映射进行再学习的数据。
在图2中示出通过CPU72执行存储于ROM74的失火检测程序74a来实现的处理的一部分。图2所示的处理是利用了实用映射数据76a的处理。图2所示的处理例如以预定周期反复执行。此外，以下由在开头标记了“S”的数字表现各处理的步骤编号。
在图2所示的一系列处理中，CPU72首先取得微小旋转时间T30(S10)。微小旋转时间T30是曲轴24旋转30°CA所需要的时间，由CPU72基于曲轴角传感器80的输出信号Scr来算出。接着，CPU72将在S10的处理中取得的最新的微小旋转时间T30作为微小旋转时间T30[0]，越是更过去的值，使微小旋转时间T30[m]的变量“m”为越大的值(S12)。即，作为“m＝1，2，3，……”，将即将进行S12的处理之前的微小旋转时间T30[m－1]作为微小旋转时间T30[m]。由此，例如在前一次执行了图2的处理时通过S10的处理取得的微小旋转时间T30成为微小旋转时间T30[1]。此外，微小旋转时间T30[0]、T30[1]、T30[2]、……中，在时间序列上相邻的微小旋转时间T30彼此表示相互相邻的30°CA的角度间隔的旋转所需要的时间，那些角度间隔不具有重叠的部分。
接着，CPU72判定在S10的处理中取得的微小旋转时间T30是否为气缸#1～#4中的任一气缸的从压缩上止点前30°CA到压缩上止点为止的角度间隔的旋转所需要的时间(S14)。并且，CPU72在判定为是到压缩上止点为止的角度间隔的旋转所需要的时间的情况下(S14：是)，为了判定成为了压缩上止点的气缸有无失火，将“T30[0]－T30[6]”代入到成为判定对象的气缸#i的旋转变动量Δω(i)(S16)。即，通过从成为失火的判定对象的气缸的从压缩上止点前30°CA到压缩上止点为止的角度间隔的旋转所需要的时间减去在成为失火的判定对象的气缸的前一个成为压缩上止点的气缸的从压缩上止点前30°CA到压缩上止点为止的角度间隔的旋转所需要的时间，从而对旋转变动量Δω进行定量化。
接着，CPU72判定旋转变动量Δω(i)是否为规定量Δωth以上(S18)。该处理是判定在成为失火的判定对象的气缸中是否发生了失火的处理。在此，CPU72基于转速NE和充填效率η而以可变的方式设定规定量Δωth。
详细而言，在将转速NE和充填效率η作为输入变量、将规定量Δωth作为输出变量的映射数据预先存储于存储装置76的状态下，通过CPU72对规定量Δωth进行映射运算。此外，映射数据是指输入变量的离散的值和分别与输入变量的值对应的输出变量的值的数据组。另外，映射运算例如设为如下处理即可，该处理为：在输入变量的值与映射数据的输入变量的值中的某一个一致的情况下，将所对应的映射数据的输出变量的值作为运算结果，与此相对，在不一致的情况下，将通过映射数据所包含的多个输出变量的值的插补而得到的值作为运算结果。
顺带说一下，转速NE通过CPU72基于曲轴角传感器80的输出信号Scr来算出。在此，转速NE是曲轴24旋转比压缩上止点的出现间隔(在本实施方式中为180°CA)大的角度间隔时的转速的平均值。转速NE优选设为曲轴24旋转曲轴24的一圈以上的旋转角度时的转速的平均值。此外，在此的平均值不限于简单平均，例如也可以是指数移动平均处理，总之设为算出除去了以压缩上止点的出现间隔程度变动的高次成分后的低频成分即可。另外，充填效率η通过CPU72基于转速NE和吸入空气量Ga来算出。
S16、S18的处理是使用了实用映射数据76a的处理。即，实用映射数据76a规定如下的映射，该映射为：将微小旋转时间T30[0]和微小旋转时间T30[6]作为输入，输出与在成为判定对象的气缸中是否发生了失火相应的逻辑值来作为输出值。此外，在此的逻辑值是与旋转变动量Δω(i)为规定量Δωth以上的命题是真、还是假有关的值。
CPU72在判定为是规定量Δωth以上的情况下(S18：是)，判定为在气缸#i中发生了失火(S20)。接着，CPU72对气缸#i的失火计数CN(i)进行递增(S22)。并且，CPU72对在失火计数CN(i)被初始化的状态下从第一次执行S18的处理开始经过预定期间、和从进行后述的S28的处理开始经过预定期间的逻辑和是否为真进行判定(S24)。并且，CPU72在判定为逻辑和为真的情况下(S24：是)，判定失火计数CN(i)是否为阈值CNth以上(S26)。CPU72在判定为小于阈值CNth的情况下(S26：否)，对失火计数CN(i)进行初始化(S28)。
与此相对，CPU72在判定为是阈值CNth以上的情况下(S26：是)，对图1所示的警告灯90进行操作，向用户报知发生了异常(S30)。此外，CPU72在S28、S30的处理完成的情况下、在S14、S24的处理中作出否定判定的情况下，暂时结束图2所示的一系列处理。
在图3中示出通过CPU72执行存储于ROM74的失火检测程序74a来实现的处理的一部分步骤。图3所示的处理是使用了评价映射数据76b的处理。
在图3所示的一系列处理中，CPU72首先取得微小旋转时间T30(1)、T30(2)、……、T30(24)、转速NE以及充填效率η(S40)。在此，微小旋转时间T30(1)、T30(2)、……与图2的微小旋转时间T30[1]、T30[2]、……不同，特别是，对于微小旋转时间T30(1)、T30(2)、……，括号中的数字越大，表示越是更靠后的值。此外，微小旋转时间T30(1)～T30(24)分别是将720°CA的旋转角度区域以30°CA进行等分割而得到的24个角度间隔各自的旋转时间。
接着，CPU72将通过S40的处理取得的值代入到由评价映射数据76b规定的映射的输入变量x(1)～x(26)(S42)。详细而言，作为“s＝1～24”，CPU72将微小旋转时间T30(s)代入到输入变量x(s)。即，输入变量x(1)～x(24)成为微小旋转时间T30的时间序列数据。另外，CPU72将转速NE代入到输入变量x(25)，将充填效率η代入到输入变量x(26)。
接着，CPU72通过对由评价映射数据76b规定的映射输入输入变量x(1)～x(26)来算出失火变量P(1)～P(5)的值(S44)。在此，当设为“i＝1～4”时，失火变量P(i)是在气缸#i中发生了失火的概率高的情况下的值比该概率低的情况下的值大的变量。另外，失火变量P(5)是在气缸#1～#4中都未发生失火的概率高的情况下的值比该概率低的情况下的值大的变量。
详细而言，由评价映射数据76b规定的映射是中间层为1层的神经网络。上述神经网络包含系数w(1)ji(j＝0～n，i＝0～26)、和作为非线性映射的激活函数h1(x)，该非线性映射对由系数w(1)ji规定的线性映射的输出分别进行非线性变换。在本实施方式中，例示双曲正切来作为作为激活函数h1(x)。顺带说一下，w(1)j0等是偏置参数，输入变量x(0)被定义为“1”。
另外，上述神经网络包含系数w(2)kj(k＝1～5，j＝0～n)、和Softmax函数，该Softmax函数将作为由系数w(2)kj规定的线性映射的输出的原型变量y(1)～y(5)分别作为输入，输出失火变量P(1)～P(5)。
接着，CPU72确定失火变量P(1)～P(5)中的成为最大的失火变量(S46)。并且，CPU72判定成为最大的失火变量P(q)是为失火变量P(1)～P(4)中的某一个、还是为失火变量P(5)(S48)。并且，CPU72在判定为是失火变量P(1)～P(4)中的某一个的情况下(S48：是)，判定为气缸#q失火(S50)。
此外，CPU72在S50的处理完成的情况下、在S48的处理中作出否定判定的情况下，暂时结束图3所示的一系列处理。在图4中示出与本实施方式涉及的评价映射数据76b的再学习有关的处理的步骤。图4的左侧所示的处理通过CPU72执行存储于图1所示的ROM74的再学习子程序74b来实现。另外，图4的右侧所示的处理通过CPU102执行存储于ROM104的再学习主程序104a来实现。以下，沿着再学习处理的时间序列，对图4所示的处理进行说明。
在图4的左侧所示的一系列处理中，CPU72首先判定是否为评价映射数据76b的可靠性的验证期间(S60)。具体而言，在本实施方式中，将以下的期间作为验证期间。
(A)水温THW为预定温度以下的期间：在水温THW低的情况下，燃烧容易变得不稳定，与水温THW高的情况相比，难以提高失火的检测精度，因此，将该期间包含在验证期间中。
(B)外部气体温度Ta为规定温度以下的期间：在外部气体温度Ta低的情况下，燃烧容易变得不稳定，与外部气体温度Ta高的情况相比，难以提高失火的检测精度，因此，将该期间包含在验证期间中。
(C)催化剂30的预热处理的执行期间：在催化剂30的预热处理的执行期间，进行使燃烧效率降低了的燃烧，因此，燃烧容易不稳定化，与催化剂30的预热后相比，难以提高失火的检测精度，因此，将该期间包含在验证期间中。
(D)充填效率η为预定值以下的期间：在轻负荷期间，与负荷高的情况相比，燃烧容易不稳定化，与中、高负荷相比，难以提高失火的检测精度，因此，将该期间包含在验证期间中。
(E)转速NE的每预定时间的变化量ΔNE成为预定值以上的期间：在过渡运转时，与稳态运转时相比，失火的检测精度容易降低，因此，将该期间包含在验证期间中。
CPU72在判定为是验证期间的情况下(S60：是)，判定标志F是否为“1”(S62)。在此，标志F在通过图2所示的处理得到的失火的判定结果与通过图3所示的处理得到的失火的判定结果不一致的情况下成为“1”，在一致的情况下成为“0”。CPU72在判定为标志F为“0”的情况下(S62：否)，判定通过图2所示的处理得到的失火的判定结果与通过图3所示的处理得到的失火的判定结果是否不一致(S64)。CPU72在同一燃烧循环中的通过图2的S18的处理得到的4次的判定结果与图3的S46的处理的结果不匹配的情况下，判定为不一致。即，CPU72例如与在S18的处理中判定为气缸#1的旋转变动量Δω(1)为规定量Δωth以上无关地，在S46的处理中选择了P(5)的情况判定为不一致。
CPU72在判定为不一致的情况下(S64：是)，将“1”代入到标志F(S66)。接着，CPU72使计数C进行递增(S68)。与此相对，CPU72在判定为标志F为“1”的情况下(S62：是)，判定通过图2所示的处理得到的失火的判定结果与通过图3所示的处理得到的失火的判定结果是否一致(S70)。并且，CPU72在判定为不一致的情况下(S70：否)，转移至S68的处理，另一方面，在判定为一致的情况下(S70：是)，将“0代入到标志F(S72)。并且，CPU72判定计数C是否大于最大值C0(S74)。最大值C0是判定为使用了实用映射数据76a的判定结果与使用了评价映射数据76b的判定结果不匹配的连续次数的最大次数。并且，CPU72在判定为大于最大值C0的情况下(S74：是)，将最大值C0更新为当前的计数C的值，并且，对旋转时间集合GrT30以及额外信息集合GrE进行更新(S76)。
详细而言，如图5所示，旋转时间集合GrT30是3次燃烧循环量的微小旋转时间T30(1)～T30(72)的集合。但是，微小旋转时间T30(49)～T30(72)被进行更新，以使得与通过最近的S70的处理判定为通过图2所示的处理得到的失火的判定结果与通过图3所示的处理得到的失火的判定结果一致了的燃烧循环对应。在此，在最大值C0为“2”以上的情况下，微小旋转时间T30(1)～T30(24)和微小旋转时间T30(25)～T30(48)均与通过图2的处理得到的失火的判定结果和通过图3所示的处理得到的失火的判定结果不同的燃烧循环对应。此外，最大值C0的初始值为零。
另外，额外信息集合GrE包括转速NE、充填效率η、表示有无执行催化剂30的预热处理的预热控制变量Vcat、外部气体温度Ta、水温THW、变速装置54的挡位Vsft、以及作为表示锁止离合器52的接合状态的变量的接合变量Vrc。那些各变量优选是在S70的处理中作出肯定判定的燃烧循环之前的燃烧循环中的值。额外信息集合GrE是除了在作为工作点变量的转速NE以及充填效率η之外、还包含对与有无失火相应的曲轴24的旋转行为产生影响的变量的集合，该工作点变量是向由评价映射数据76b规定的映射的输入。即，与锁止离合器52的接合状态、挡位Vsft相应地，从曲轴24到驱动轮60的惯性常数互不相同，因此，曲轴24的旋转行为成为不同的行为。另外，预热控制变量Vcat、外部气体温度Ta、水温THW是表示燃烧状态是否稳定的变量。
返回图4，CPU72在S76的处理完成的情况下、在S74的处理中作出否定判定的情况下对计数C进行初始化(S79)。并且，CPU72在S68、S79的处理完成的情况下、在S60、S64的处理中作出否定判定的情况下，判定是否为出行结束时(S78)。在此，出行是指车辆的行驶许可信号为激活(on)状态的一次期间。在本实施方式中，行驶许可信号相当于点火信号。CPU72在判定为是出行结束时的情况下(S78：是)，操作通信机77，向数据解析中心100发送与失火变量P(1)～P(5)中的成为最大的失火变量有关的信息“q”、最大值C0、旋转时间集合GrT30以及额外信息集合GrE(S80)。
这样，在本实施方式中，在一次出行发送一次的与最大值C0对应的2个燃烧循环量的微小旋转时间T30、和与该燃烧循环相邻的1个燃烧循环量的微小旋转时间T30。这是因为：在使用了实用映射数据76a的判定结果与使用了评价映射数据76b的判定结果不匹配的连续次数大的情况下，与单次地不匹配的情况等相比，认为在对评价映射数据76b的可靠性进行验证这一点上包含有益的信息的可能性高。因此，与发送一次出行内的、判定为不匹配的燃烧循环全部的微小旋转时间T30相比，能够在减少发送数据量的同时，发送有益的信息。此外，最大值C0在新的出行开始时被初始化。
与此相对，如图4的右侧所示，CPU102接收与失火变量P(1)～P(5)中的成为最大的失火变量有关的信息“q”、最大值C0、旋转时间集合GrT30以及额外信息集合GrE(S90)。并且，CPU102在图1所示的显示装置112显示由旋转时间集合GrT30表现的与曲轴24的旋转行为有关的波形数据，并且，显示与失火变量P(1)～P(5)中的成为最大的失火变量有关的信息“q”、最大值C0、额外信息集合GrE(S92)。这是向熟练者提供熟练者能够判断是否发生失火的信息的处理。即，只要是熟练者，就能够通过察觉波形数据来高精度地判断是否发生了失火。并且，在那时，通过参照额外信息集合GrE的信息，是否发生了失火的判断成为更可靠的判断。由此，熟练者能够基于是否发生了失火的判断，判断使用了评价映射数据76b的失火判定是否为误判定。
CPU102当通过熟练者操作图1所示接口114而被输入判断结果时，取得该判断结果(S94)。并且，CPU102判定通过接口114的操作而被输入的判断结果是否为使用了评价映射数据76b的失火判定一方为误判定之意的判断(S96)。并且，CPU102在为是误判定之意的判断的情况下(S96：是)，存储通过S90的处理接收到的数据中的、至少微小旋转时间T30(25)～T30(48)、转速NE以及充填效率η、熟练者的是否失火的判断结果来作为再学习用数据106a(S98)。再学习用数据106a不仅包含基于从车辆VC1接收到的数据的数据，还包括基于从搭载了与内燃机10相同的规格的内燃机的其他车辆VC2、……接收到的数据的数据。
接着，CPU102判定存储于存储装置106的再学习用数据106a是否为预定量以上(S100)。并且，CPU102在判定为是预定量以上的情况下(S100：是)，使用再学习用数据106a来作为训练数据，对作为评价映射数据76b的已学习参数的系数w(1)ji、w(2)kj进行更新(S102)。即，CPU72将训练数据中的与熟练者的是否失火的判断结果有关的数据以外的数据作为输入变量x(1)～x(26)来算出失火变量P(1)～P(5)，另一方面，基于与熟练者的是否失火的判断结果有关的数据，生成教师数据。例如若熟练者的判断是气缸#1失火之意的判断，则设为P(1)＝1、且P(2)～P(5)＝0。另外，例如若熟练者的判断是正常之意的判断，则设为P(1)～P(4)＝0、且P(5)＝1。并且，通过周知的方法更新系数w(1)ji、w(2)kj，以使得教师数据与神经网络输出的失火变量P(1)～P(5)之差的绝对值变小(S102)。
此外，失火变量P(1)～P(5)的算出处理中，需要系数w(1)ji、w(2)kj的信息、激活函数h1、以及在神经网络的输出层使用Softmax函数之意的信息。对此，例如既可以在S100的处理中作出肯定判定的情况下从CPU102向控制装置70输出发送与这些有关的数据的指示，另外，例如也可以预先存储于存储装置106。
并且，CPU102对通信机107进行操作，将更新后的系数w(1)ji、w(2)kj作为已再学习的参数来发送给车辆VC1、VC2、……(S104)。此外，CPU102在S104的处理完成的情况下、在S96、S100的处理中作出否定判定的情况下，暂时结束图4的右侧所示的一系列处理。
另一方面，如图4的左侧所示，CPU72判定从数据解析中心100是否有发送已再学习参数(S82)。并且，CPU102在判定为具有已再学习的参数的情况下(S82：是)，接收系数w(1)ji、w(2)kj(S84)，对存储于存储装置76的评价映射数据76b进行更新(S86)。
此外，CPU72在S86的处理完成的情况下、在S78、S82的处理中作出否定判定的情况下，暂时结束图4的左侧所示的一系列处理。在此，对本实施方式的作用和效果进行说明。
CPU72基于实用映射数据76a，执行图2所示的处理，监视内燃机10有无失火，在失火频繁发生的情况下，为了对其进行应对，执行报知处理。另外，CPU72基于评价映射数据76b，执行图3所示的处理，执行基于评价映射数据76b的失火判定。并且，CPU72判定使用了评价映射数据76b的失火判定结果与使用了实用映射数据76a的失火判定结果是否匹配，在判定为不匹配的情况下，对不匹配的状态连续地出现的次数进行计数，算出其最大值C0。
在图6中示出最大值C0的推移。在图6中，“〇”表示是判定为使用了评价映射数据76b的失火判定结果与使用了实用映射数据76a的失火判定结果匹配的燃烧循环，“×”表示是判定为不匹配的燃烧循环。
如图6所示，在时刻t2以前，当最大值C0为初始值“0”时，从时刻t1到时刻2持续进行三次判定为不匹配的燃烧循环，然后恢复到判定为匹配的状态的情况下，CPU72使最大值C0为“3”。然后，在从时刻t3到时刻t4持续进行14次的判定为不匹配的燃烧循环，然后恢复到判定为匹配的状态的情况下，CPU72将最大值C0更新为“14”。
并且，当出行在时刻t5结束时，CPU72发送与最大值C0对应的14次连续地判定为不匹配的期间中的最后的2个燃烧循环、恢复到了判定为匹配的状态时的1个燃烧循环这3个燃烧循环量的输入数据等。
与此相对，CPU102使从CPU72发送来的输入数据等显示于显示装置112。由此，熟练者基于表示曲轴24的旋转行为的波形数据等，判断是否发生了失火，基于此，判断使用了评价映射数据76b的有无失火的判定是否为误判定。CPU102在熟练者的判断结果是使用了评价映射数据76b的有无失火的判定为误判定之意的判断的情况下，将从车辆侧发送来的数据的一部分作为再学习用数据106a而存储于存储装置106。并且，当再学习用数据106a成为预定量以上时，CPU102对系数w(1)ji、w(2)kj进行更新，并作为已再学习数据，发送给车辆VC1、VC2、……的各个车辆。
由此，在各车辆VC1、VC2、……中成为通过如下的系数w(1)ji、w(2)kj来对评价映射数据76b进行更新，该系数w(1)ji、w(2)kj是不仅利用在自身车辆中使用评价映射数据76b而导致了误判定的数据、还利用在其他车辆中使用评价映射数据76b而导致了误判定的数据来进行了更新的系数。
因此，能够将评价映射数据76b更新为能在各种各样的状况下高精度地判定失火的数据。并且，能够在通过发生了不一致时的熟练者的判断搞清楚了评价映射数据76b一方的可靠性高的情况下，将被更新后的评价映射数据76b作为实用映射数据76a来利用于监视失火。进一步，也能够从最初开始将基于搭载于多个车辆VC1、VC2、……的原始数据的已学习模型(映射数据)作为实用映射数据搭载于新开发的在具备相同气缸数量的内燃机的车辆所搭载的控制装置。
根据以上说明的本实施方式，还能得到以下所记载的效果。(1)在基于实用映射数据76a的判定结果与基于评价映射数据76b的判定结果产生不一致的情况下，不仅是成为了不一致的燃烧循环中的微小旋转时间T30(25)～T30(48)，也将从不一致恢复为了一致的燃烧循环中的微小旋转时间T30(49)～T30(72)发送给数据解析中心100。由此，不仅是发送与产生不一致的状态有关的信息，还发送转变为了不一致被消除后的状态时的信息。因此，与仅发送成为了不一致的1个燃烧循环的波形数据即微小旋转时间T30(25)～T30(48)的情况相比，熟练者能够更高精度地判断是否发生失火。
(2)在基于实用映射数据76a的判定结果与基于评价映射数据76b的判定结果产生不一致的情况下，一并发送了额外信息集合GrE。由此，与仅发送作为表示曲轴24的旋转行为的波形数据的、微小旋转时间T30(1)～T30(72)的情况相比，熟练者能够更高精度地判断是否发生失火。
(3)在基于实用映射数据76a的判定结果与基于评价映射数据76b的判定结果产生不一致的情况下，出行结束时向数据解析中心100发送了产生了不一致时的数据。在出行结束时，与车辆行驶时等相比，控制装置70的运算负荷小，因此，能够抑制通过发送处理而施加于控制装置70的运算负荷过度地变大。
第2实施方式
以下，参照附图以与第1实施方式的不同点为中心来对第2实施方式进行说明。
在图7中示出第2实施方式涉及的失火检测系统的构成。此外，在图7中，关于与前面的图1所示的部件对应的部件，为了便于说明，赋予同一标号。在图7所示的存储装置106存储有高规格映射数据106b。高规格映射数据106b的输入变量的维数大、且映射的构造复杂，但相反地能够实现模拟了熟练者的失火判定。在高规格映射数据106b的学习中，图4的处理中的旋转时间集合GrT30、额外信息集合GrE、通过S94、S96的处理得到的熟练者的判断结果被用作训练数据。
此外，在本实施方式中，例示如下情况：通过第1实施方式的处理，评价映射数据76b的可靠性提高，安装了该数据来作为实用映射数据76a。在图8中示出通过CPU72执行存储于ROM74的失火检测程序74a来实现的处理的一部分。图8所示的处理是利用了实用映射数据76a的处理。图8所示的处理例如以预定周期反复执行。此外，在图8中，关于与图2以及图3所示的处理对应的处理，为了便于说明，赋予同一步骤编号。
在图8所示的一系列处理中，CPU72执行与图3的S40～S48的处理同样的处理。即，在本实施方式中，在图3的处理中利用了的评价映射数据76b变为实用映射数据76a，因此，使用实用映射数据76a来执行S40～S48的处理。此外，在图8中，将失火变量P(1)～P(5)中的成为最大的失火变量记载为失火变量P(i)，与图3中的失火变量P(q)的记载不同，但处理本身相同。
并且，CPU72在S48的处理中作出肯定判定的情况下，关于判定为发生了失火的气缸#i，执行S22～S30的处理，另一方面，在S48的处理中作出否定判定的情况下，执行S24～S30的处理。
在图9中示出通过CPU72执行存储于ROM74的失火检测程序74a来实现的处理的一部分的步骤。图9所示的处理是使用了评价映射数据76b的处理。
在图9所示的一系列处理中，CPU72首先在微小旋转时间T30(1)、T30(2)、……、T30(24)、转速NE以及充填效率η的基础上，还取得外部气体温度Ta(S40a)。
接着，CPU72将通过S40a的处理取得的值代入到由评价映射数据76b规定的映射的输入变量x(1)～x(27)(S42a)。详细而言，CPU72关于输入变量x(1)～x(26)执行与S42的处理同样的处理，将外部气体温度Ta代入到输入变量x(27)。
接着，CPU72通过向由评价映射数据76b规定的映射输入输入变量x(1)～x(27)，算出与失火变量P(1)～P(5)对应的失火变量Pn(1)～Pn(5)(S44a)。详细而言，由评价映射数据76b规定的映射是中间层为1层的神经网络。上述神经网络包括系数wn(1)ji(j＝0～n，i＝0～27)、和作为输入侧非线性映射的激活函数h1(x)，该输入侧非线性映射对由系数w(1)ji规定的线性映射的输出分别进行非线性变换。在本实施方式中，例示双曲正切来作为激活函数h1(x)。顺带说一下，wn(1)j0等是偏置参数，输入变量x(0)被定义为“1”。
另外，上述神经网络包括系数wn(2)kj(k＝1～5，j＝0～n)、和Softmax函数，该Softmax函数将原型变量yn(1)～yn(5)分别作为输入，输出失火变量Pn，该原型变量yn(1)～yn(5)是由系数wn(2)kj规定的线性映射的输出。
并且，CPU72确定失火变量Pn(1)～Pn(5)中的成为最大的失火变量Pn(q)(S46a)。并且，CPU72判定成为最大的失火变量Pn(q)是否为“1～4”中的某一个(S48a)。并且，CPU72在判定为是“1～4”中的某一个的情况下(S48a：是)，判定为气缸#q失火(S50a)。此外，CPU72在S50a的处理完成的情况下、在S48a中作出否定判定的情况下，暂时结束图9所示的一系列处理。
在图10中示出与本实施方式涉及的评价映射数据76b的再学习有关的处理的步骤。图10的左侧所示的处理通过CPU72执行存储于图7所示的ROM74的再学习子程序74b来实现。另外，图10的右侧所示的处理通过CPU102执行存储于ROM104的再学习主程序104a来实现。此外，在图10中，关于与图4所示的处理对应的处理，为了便于说明，赋予同一步骤编号。以下，沿着再学习处理的时间序列，对图10所示的处理进行说明。
在图10的右侧所示的一系列处理中，CPU102在S90的处理完成的情况下，将相应的值代入到由高规格映射数据106b规定的映射的输入变量x(1)～x(79)(S110)。即，CPU102作为“s＝1～72”，将微小旋转时间T30(s)代入到输入变量x(s)，将转速NE代入到输入变量x(73)，将充填效率η代入到输入变量x(74)。另外，CPU102将外部气体温度Ta代入到输入变量x(75)，将预热控制变量Vcat代入到输入变量x(76)，将水温THW代入到输入变量x(77)，将挡位Vsft代入到输入变量x(78)，将接合变量Vrc代入到输入变量x(79)。接着，CPU102将输入变量x(1)～x(79)代入到由高规格映射数据106b规定的映射，算出与失火变量Pn(1)～Pn(5)对应的失火变量Pm(1)～Pm(5)(S112)。
在本实施方式中，由高规格映射数据106b规定的映射由中间层的层数为“p”个、且各中间层的激活函数h1～hp为双曲正切的神经网络构成。在此，当设为m＝1、2、……p时，第m个中间层的各节点的值通过将由系数wm(m)规定的线性映射的输出输入到激活函数hm来生成。在此，n1、n2、……、np分别为第1中间层、第2中间层、……、第p中间层的节点数。例如，第1中间层的各节点的值通过将对由系数wm(1)ji(j＝0～n1，i＝0～79)规定的线性映射输入了上述输入变量x(1)～x(79)时的输出输入到激活函数h1来生成。顺带说一下，wm(1)j0等为偏置参数，输入变量x(0)被定义为“1”。
上述神经网络包括系数wm(p+1)lr(l＝1～5，r＝0～np)、和Softmax函数，该Softmax函数将所述原型变量ym(1)～ym(5)分别作为输入，输出失火变量Pm(1)～Pm(5)，该原型变量ym(1)～ym(5)是由系数wm(p+1)lr规定的线性映射的输出。
并且，CPU102判定基于评价映射数据76b的失火的判定是否为误判定(S96)。即，CPU102在失火变量Pm(1)～Pm(5)中的成为最大的失火变量和与通过S90的处理接收到的失火变量Pn(1)～Pn(5)中的成为最大的失火变量有关的信息“q”不匹配的情况下，判定为误判定。具体而言，例如，在失火变量Pm(1)～Pm(5)中的成为最大的失火变量为失火变量Pm(1)，另一方面，失火变量Pn(1)～Pn(5)中的成为最大的失火变量为失火变量Pn(5)的情况下，判定为误判定。
并且，CPU102在判定为误判定的情况下(S96：是)，执行S98、S100的处理，在S100的处理中作出肯定判定的情况下，将再学习用数据106a作为训练数据，对作为评价映射数据76b的已学习参数的系数wn(1)ji、wn(2)kj进行更新(S102a)。并且，CPU102操作通信机107，将更新后的系数wn(1)ji、wn(2)kj作为已再学习的参数来发送至车辆VC1、VC2、……(S104a)。此外，CPU102在S104a的处理完成的情况下、在S96、S100的处理中作出否定判定的情况下，暂时结束图10的右侧所示的一系列处理。
另一方面，如图10的左侧所示，CPU72在判定为具有已再学习的参数的情况下(S82：是)，接收系数wn(1)ji、wn(2)kj(S84a)，对存储于存储装置76的评价映射数据76b进行更新(S86)。
此外，CPU72在S86的处理完成的情况下、在S78、S82的处理中作出否定判定的情况下，暂时结束图10的左侧所示的一系列处理。这样，在本实施方式中，在使用了实用映射数据76a的判定结果与使用了评价映射数据76b的判定结果不匹配的情况下，通过使用了高规格映射数据106b的判定，对使用了评价映射数据76b的判定结果进行了验证。由此，能够不依赖于熟练者的判断地对使用了评价映射数据76b的判定结果进行验证。
对应关系
上述实施方式中的事项与上述“发明内容”栏中记载的事项的对应关系为如下所述。执行装置对应于CPU72以及ROM74，存储装置对应于存储装置76。第1映射数据对应于实用映射数据76a。第2映射数据对应于评价映射数据76b。第1取得处理对应于图2的S10的处理、图8的S40的处理。第1算出处理对应于图2的S16、S18的处理、图8的S42、S44的处理。第2取得处理对应于图3的S40的处理、图9的S40a的处理。第2算出处理对应于图3的S42、S44的处理、图9的S42a、S44a的处理。判定处理对应于S64、S70的处理。发送处理对应于S80的处理。旋转波形变量对应于微小旋转时间T30(1)～T30(24)。瞬时速度变量对应于微小旋转时间T30。第2间隔对应于30°CA，第1间隔对应于720°CA。判定为不匹配时的瞬时速度变量对应于T30(25)～T30(48)，判定为匹配时的瞬时速度变量对应于T30(49)～T30(72)。这对应于在S78的处理中作出肯定判定的情况下执行S80的处理。第2执行装置对应于CPU102以及ROM104。接收处理对应于S90的处理。再学习数据生成处理对应于图4的S92～S98的处理、图10的S110、S112的处理。再学习处理对应于图4的S102的处理、图10的S102a的处理。显示处理对应于S92的处理。妥当性结果取入处理对应于S94的处理。第2存储装置对应于存储装置106。第3映射数据对应于高规格映射数据106b。第3算出处理对应于S110、S112的处理。
其他实施方式
此外，本实施方式可以如以下那样进行变更来实施。本实施方式以及以下的变更例可以在技术上不矛盾的范围内相互组合来实施。
·关于第1映射、第1映射数据
在图1中，作为实用映射数据76a，例示了执行S16、S18的处理的数据，但不限于此。
在图8中，作为实用映射数据76a，例示了中间层为1层的神经网络，但不限于此。例如也可以是中间层为2层以上的神经网络。另外，作为激活函数h1，不限于双曲正切，例如也可以是logistic sigmoid函数、ReLU。此外，ReLU是对输入和“0”中的不小的一方进行输出的函数。另外，不限于使神经网络的输出层的节点的数量、即维度为“(气缸数)+1”。例如，也可以设为等于气缸数的个数，在各输出值中存在超过了阈值的输出值的情况下判定为存在失火。另外，例如也可以使成为基于神经网络的一次输出的有无失火的判定对象的气缸为一个，使输出层的节点的数量为1个。此外，在该情况下，优选输出层通过logistic sigmoid函数等对输出值可取的值的范围进行标准化。
作为实用映射数据，不限于规定神经网络的数据。例如，也可以是根据成为失火的判定对象的一个气缸有无失火来输出互不相同的符号的数值的识别函数。这例如也可以由支持向量机构成。
·关于第2映射数据
作为评价映射数据76b，不限于对中间层为1层的神经网络进行规定的数据，该评价映射数据76b是作为第2映射数据的数据。例如，作为第2映射数据，也可以是对中间层为2层以上的神经网络进行规定的数据。另外，作为激活函数h1，不限于双曲正切，例如也可以是logistic sigmoid函数、ReLU。另外，不限于使神经网络的输出层的节点的数量、即维度为“(气缸数)+1”。例如也可以设为等于气缸数的个数，在各输出值中存在超过了阈值的输出值的情况下判定为存在失火。另外，例如也可以使成为基于神经网络的一次输出的有无失火的判定对象的气缸为一个，使输出层的节点的数量为1个。此外，在该情况下，输出层优选通过logistic sigmoid函数等对输出值可取的值的范围进行标准化。
作为第2映射，不限于神经网络。例如，也可以是根据成为失火的判定对象的一个气缸有无失火来输出互不相同的符号的数值的识别函数。这例如由支持向量机构成。
·关于第3映射、第3映射数据
在上述实施方式中，作为第3映射数据，例示了维度比由评价映射数据76b规定的映射的输入的维度大、且中间层的层数多的数据，但不限于此。例如，也可以是维数相同、中间层的层数大的映射数据。这例如能够通过在使输入变量与在S42a中例示的输入变量相同的同时、使中间层的层数为2层以上来实现。另外，例如也可以为维数大、但中间层的层数相同。
在上述实施方式中，将高规格映射数据106b设为了将从搭载了一个规格的内燃机10的多个车辆VC1、VC2、……发送的数据作为训练数据的已学习模型，但不限于此。例如，也可以使用从搭载了气缸数、排气量等不同的各种各样的内燃机的车辆发送的数据来作为训练数据。但是，在该情况下，优选将气缸数、排气量等的规格信息作为由高规格映射数据106b规定的映射的输入变量。此外，作为由高规格映射数据106b规定的映射的输入变量，不限于此，例如也可以包括熟练者在判断时不使用的变量。另外，也不是必须在高规格映射数据106b的学习时的教师数据的至少一部分使用熟练者的判断结果。
·关于瞬时速度变量
作为瞬时速度变量，不限于作为第2间隔的旋转所需要的时间的微小旋转时间。例如，也可以是将第2间隔除以微小旋转时间而得到的值。
·关于第2间隔
作为对成为向映射的输入的瞬时速度变量进行定义的第2间隔，不限于30°CA。例如也可以是10°CA等、比30°CA小的角度间隔。但是，不限于30°CA以下的角度间隔，例如也可以是45°CA等。
·关于作为向映射的输入的旋转波形变量
在上述实施方式中，将作为1个燃烧循环的720°CA的旋转角度间隔被分割而得到的多个间隔各自的微小旋转时间T30作为向映射的输入，但不限于此。例如，也可以将0～720°CA中的0～20、40～60、80～100、120～140、160～180、……、700～720分别作为第2间隔，将那些旋转所需要的时间作为向映射的输入。
作为旋转波形变量，不限于瞬时速度变量的时间序列数据，该旋转波形变量是作为向映射的输入的变量。例如，也可以是隔开了压缩上止点的出现间隔的一对瞬时速度变量彼此之差。
·关于发送处理
在上述实施方式中，发送了3个燃烧循环量的微小旋转时间T30的时间序列数据，但不限于此。例如，也可以是使用了实用映射数据76a的判定结果与使用了评价映射数据76b的判定结果不匹配时的微小旋转时间T30(25)～T30(48)、和从判定为不匹配的状态转变为了判定为匹配的状态时的微小旋转时间T30(49)～T30(72)的2个燃烧循环量的时间序列数据。
在上述实施方式中，除了使用了实用映射数据76a的判定结果与使用了评价映射数据76b的判定结果不匹配时的微小旋转时间T30(25)～T30(48)之外，还发送了从判定为不匹配的状态转变为了判定为匹配的状态时的微小旋转时间T30(49)～T30(72)，但不限于此。例如，也可以发送判定为匹配的状态下的微小旋转时间T30的时间序列数据、和从判定为匹配的状态转变为了判定为不匹配的状态时的微小旋转时间T30的时间序列数据。
作为转变为了判定为匹配的状态时的微小旋转时间T30的时间序列数据，不限于1个燃烧循环量的时间序列数据。例如，如“关于第2映射数据”一栏所记载的那样，在基于1次输入的输出值仅输出一个气缸的失火变量的值的情况下等、且输入数据自身是比1个燃烧循环短的期间中的微小旋转时间T30的时间序列数据的情况下，也可以设为与其相应的量的时间序列数据。但是，判定为不匹配的状态下的微小旋转时间T30的时间序列数据、和转变为了判定为匹配的状态时的微小旋转时间T30的时间序列数据也不必须是具有相同的长度的区间内的微小旋转时间T30。
在上述实施方式中，发送了与一次出行一次的连续地判定为不匹配的次数成为最大时对应的3个燃烧循环量的微小旋转时间T30的时间序列数据，但不限于此。例如，也可以发送连续地判定为不匹配的期间中的全部微小旋转时间T30、和从判定为不匹配的状态转变为了判定为匹配的状态时的微小旋转时间T30的1个燃烧循环量的时间序列数据。
·关于已再学习的参数
在图4以及图10中，经由网络110而向各车辆VC1、VC2、……发送了作为被更新后的参数的已再学习的参数，但不限于此。例如，也可以发送给车辆的销售店，在各车辆VC1、VC2、……入库到销售店时对存储装置76内的数据进行更新。在该情况下，也能够进一步评价并更新通过已再学习的参数进行了更新的评价映射数据76b的可靠性。
但是，向提供了在再学习中使用的数据的车辆提供已再学习的参数自身不是必须的。也可以仅是使用已再学习的参数来更新评价映射数据76b、将被更新后的评价映射数据76b安装于新开发的车辆。在该情况下，优选搭载于新开发的车辆的内燃机的排气量与发送了用于再学习的数据的车辆所搭载的内燃机的排气量之差为预定量以下。此外，如上述实施方式那样，在评价映射数据是输出与在各气缸中发生了失火的概率相应的失火变量的数据的情况下，搭载于新开发的车辆的内燃机的气缸数优选设为与发送了用于再学习的数据的车辆所搭载的内燃机的气缸数相同。
进一步，也可以在图4以及图10的处理中，使用已再学习的参数来更新了评价映射数据76b之后，由此，对实用映射数据76a进行覆盖。
·关于显示装置
在上述实施方式中，在数据解析中心100配置了显示装置112，但不限于此，也可以配置在与配置有存储装置106等的据点不同的据点。
·关于再学习数据生成处理
在图4中设为了通过将在使用评价映射数据76b所算出的失火变量P(j)、Pn(j)的算出中所使用了的输入数据、和所关联的数据显示于显示装置112，从而熟练者评价是否为误判定，但不限于此。例如，也可以使用高规格映射数据106b自动地进行评价。此外，在对使用评价映射数据76b所算出的失火变量P(j)、Pn(j)进行评价时，不必须进一步考虑在失火变量P(j)、Pn(j)的算出中所使用了的输入数据以外的数据来进行评价。
在图10中，基于在使用评价映射数据76b所算出的失火变量Pn(j)的算出中所使用了的输入数据、和所关联的数据，使用高规格映射数据106b自动地对是否为误判定进行了评价，但不限于此，例如也可以为熟练者进行评价。
在图4的处理中，为了便于说明，每次判定为使用了评价映射数据76b的评价结果与使用了实用映射数据76a的评价结果不一致时，执行了S92的处理，但不限于此。例如也可以在储存了预定量的判定为不一致的数据的时间点执行S92的处理。另外，例如也可以每次储存被认为不一致的数据，根据来自熟练者的要求来执行S92的处理。
在上述实施方式中，使用精度比由评价映射数据76b、实用映射数据76a规定的映射的精度高的主体，对由评价映射数据76b规定的映射的判定结果的妥当性进行了判断，但不限于此。例如，也可以通过由评价映射数据76b规定的判定结果、和基于两个以上的其他映射的判定结果的多数决，对由评价映射数据76b规定的映射的判定结果的妥当性进行判断。另外，例如也可以代替基于映射的判定结果，使基于上述两个以上的其他的映射的判定结果之一为熟练者的判断。
·关于应对处理
在上述实施方式中，作为报知处理，例示了对搭载于车辆的警告灯90进行操作的处理，但不限于此。例如，也可以是为了使用户的便携终端显示发生了异常之意的信息而对通信机77进行操作的处理。
作为应对处理，不限于报知处理。例如，也可以是根据发生了失火之意的信息来对用于控制内燃机10的燃烧室18内的混合气的燃烧的操作部进行操作的处理。
·关于失火检测系统
在上述实施方式中，由控制装置70和数据解析中心100构成了失火检测系统，但不限于此。例如，也可以在控制装置70和数据解析中心100的基础上，由便携终端构成失火检测系统。这例如在上述第1实施方式中能够通过由便携终端执行图3的处理并将其结果发送给控制装置70来实现。
·关于数据解析装置
也可以代替数据解析中心100而使用便携终端来构成数据解析装置。这例如能够通过在便携终端的存储装置存储高规格映射数据106b等、通过便携终端执行图10的右侧的处理等来实现。此外，在该情况下，也可以设为向车辆VC1的用户的便携终端仅发送与车辆VC1有关的数据。
·关于执行装置
作为执行装置，不限于具备CPU72(102)和ROM74(104)、执行软件处理的装置。例如，也可以具备对在上述实施方式中进行了软件处理的单元的至少一部分进行硬件处理的专用的硬件电路(例如ASIC等)。即，执行装置为以下的(a)～(c)中的任一构成即可。(a)具备按照程序执行全部的上述处理的处理装置、和存储程序的ROM等的程序保存装置。(b)具备按照程序执行上述处理的一部分的处理装置以及程序保存装置、和执行其余的处理的专用的硬件电路。(c)具备执行全部的上述处理的专用的硬件电路。在此，具备处理装置和程序保存装置的软件执行装置、专用的硬件电路也可以是多个。
·关于存储装置
在上述实施方式中，将存储评价映射数据76b、实用映射数据76a的存储装置76和作为存储再学习子程序74b的存储装置的ROM74设为了不同的存储装置，但不限于此。另外，例如将存储高规格映射数据106b的存储装置106和作为存储再学习主程序104a的存储装置的ROM104设为了不同的存储装置，但不限于此。
·关于内燃机
在上述实施方式中，作为燃料喷射阀，例示了向燃烧室18内喷射燃料的缸内喷射阀，但不限于此。例如，也可以是向进气通路12喷射燃料的端口喷射阀。另外，例如也可以具备端口喷射阀和缸内喷射阀这两者。
作为内燃机，不限于火花点火式内燃机，例如也可以使用轻油等来作为燃料的压缩着火式内燃机等。内燃机构成驱动系统本身不是必须的。例如，也可以是搭载于所谓的串联式混合动力车，该串联式混合动力车的曲轴以机械的方式连结于车载发电机、与驱动轮60切断了动力传递。
·关于车辆
作为车辆，不限于生成车辆的推进力的装置仅为内燃机的车辆，例如在“关于内燃机”一栏所记载的串联混合动力车以外，也可以是并联式混合动力车、混联式(series-parallel)混合动力车。
·其他
作为夹在曲轴与驱动轮之间的驱动系统装置，不限于有级变速装置，例如也可以是无级变速装置。